Sin embargo, tratar de identificar qué especies de árboles sobrevivieron y cuáles quedaron destruidas a lo largo de hectáreas de selva tropical mediante fotografías aéreas es una tarea casi imposible para la vista humana. “El desafío de la ecología como campo de estudio y el cambio climático como área es que el mundo es muy variable”, explicó Uriarte. “Puedes aprender algo sobre qué ocurre en un lugar, pero después debes preguntarte: ¿qué tanto puede aplicarse ese caso en otras zonas en las que no he trabajado?”. Por eso ha recurrido a la inteligencia artificial (IA), en particular al aprendizaje automático, que es especialmente bueno para tomar grandes cantidades de información, ordenarla, clasificarla y aprender a detectar —y predecir— patrones con la intervención mínima de un ser humano. Uriarte ha cartografiado e identificado los árboles de algunas zonas. Con esos datos, así como las fotografías de antes del huracán, la IA puede identificar las especies y mostrar cuál es su distribución en todo el bosque. “Sabemos que en las tormentas graves hay ganadores y perdedores”, dijo Uriarte. “Algunas especies sufren mucho daño, otras no. A largo plazo, los ganadores dominarían más”. Uno de los ganadores es un tipo de palmera, la sierra, que es muy resistente a los huracanes, y Uriarte está tratando de determinar dónde y cómo se extendió a lo largo de más de 11.000 hectáreas del Bosque Nacional El Yunque como resultado de tormentas pasadas. Hay varias consecuencias del ascenso de esta palmera en específico, entre ellas la cantidad de carbono que se almacena (y después se emite) y cómo se ven afectadas el agua y la vida silvestre. “Lo que nos permite hacer la IA es abordar esta pregunta a una escala que no puede realizarse por medio de enfoques tradicionales”, dijo Uriarte. “Tiene un potencial tremendo”. Por eso los investigadores de la industria, la academia y las agencias de gobierno están usando la inteligencia artificial para ayudar a resolver problemas de sucesos de clima extremo como huracanes, inundaciones, sequías e incendios forestales. Como ejemplo está el problema de los apagones más constantes y duraderos, provocados en parte por el aumento del clima extremo y el uso más variable de electricidad debido a nuevas tecnologías como los autos eléctricos. El uso errático de electricidad ejerce más presión en las redes eléctricas y dificulta más la tarea de poner a los técnicos de servicios públicos en el lugar y el momento adecuados. Mientras que los servicios públicos tienen software disponible para ayudar a planear las operaciones diarias y próximas, no son tan inteligentes y dinámicas como se requiere. Así llega el proyecto Grid Resilience & Intelligence Platform (conocido como GRIP), cuyo objetivo es aplicar el aprendizaje automático a la red eléctrica usando grandes cantidades de imágenes satelitales, datos del clima, datos de medidores inteligentes y otra información acerca de las operaciones de los servicios para detectar y solucionar problemas, como los árboles que crecen encima de las líneas eléctricas, lo cual puede ser problemático durante las tormentas. La idea es “anticipar, absorber y recuperarse de sucesos que provoquen fallas en la red, como el clima extremo o un ciberataque”, comentó Ashley Pilipiszyn, directora del proyecto GRIP y estudiante de doctorado en la Universidad de Stanford. El proyecto también es dirigido por el Laboratorio Nacional de Aceleradores SLAC, operado por la Universidad de Stanford, y el Laboratorio Nacional Lawrence Berkeley, gestionado por la Universidad de California. Como sucede en muchas de estas iniciativas enfocadas en la inteligencia artificial y el cambio climático, los sectores público y privado se encargan de proporcionar la investigación y el financiamiento. En el caso de una falla provocada por una tormenta de invierno, por ejemplo, Pilipiszyn dijo que una red inteligente podría dar prioridad a distintas cargas eléctricas y agruparlas en islas para cercar las fallas, con lo que se aseguraría, por ejemplo, la prioridad en el suministro de los asilos o los hospitales. GRIP es un proyecto de tres años; se espera que las demostraciones prácticas estén en total funcionamiento para finales de 2020, comentó Pilipiszyn. No obstante, por prometedora que sea la inteligencia artificial en cuanto al entendimiento y el combate de los efectos del cambio climático, solo debe considerarse como una de muchas herramientas, dijo James Hodson, director ejecutivo de AI for Good, una organización sin fines de lucro con sedes en Europa y Norteamérica. “Cuando haya más gente involucrada en el aprendizaje automático para solucionar estos problemas, es más probable que encontremos soluciones”, comentó. “Pero la realidad del cambio climático es que necesitamos soluciones sociales, la manera en que vivimos nuestra vida, gastamos el dinero del gobierno y la manera en que obligamos a las corporaciones a adoptar mejores prácticas”. La inteligencia artificial también está desempeñando un papel esencial en la agricultura. En Australia, por ejemplo, el clima más cálido y un declive de las lluvias debido al cambio climático han provocado una caída importante en la producción de trigo y otros cultivos como la canola o colza y el azúcar de caña; el país contribuye alrededor del 12 por ciento del trigo que se comercializa en todo el mundo, de acuerdo con su agencia federal de investigación científica, la Organización de Investigación Científica e Industrial del Commonwealth. Además, el declive llega en un momento en el que se necesita más comida, no menos, para alimentar a una población mundial en crecimiento. Una de las maneras de solucionar este problema es modificar genéticamente los cultivos para aumentar los genes que tienen un rendimiento más fuerte, más calidad y resistencia a los patógenos. A diferencia del trabajo de los seres humanos, la inteligencia artificial y el aprendizaje automático son una forma más rápida y eficaz de lograr esto. Aunque ya está disponible una gran cantidad de información agrícola, el problema es analizarla. “Hace diez años, habría estado llorando en una esquina solo de pensar en cómo iba a analizar todos los datos que están llegando en línea”, dijo Ben Trevaskis, que trabaja para la agencia de investigación. “No es ni remotamente posible hacerlo manualmente”. Con el uso de datos como el historial genético de las variedades de trigo australiano, la inteligencia artificial puede descifrar la relación entre los genes, las condiciones de cultivo y el desempeño de las cosechas. Después puede combinar rápidamente miles de genes en variedades distintas. Por ejemplo, hay un retraso de doce años entre el descubrimiento de nuevos genes y rasgos, y su uso. La esperanza es reducir ese periodo a dos o tres años. One Concern, una empresa con sede en Menlo Park, California, utiliza la inteligencia artificial para dar forma y predecir el impacto de los riesgos. Comenzó en 2015 y tiene dos productos en el mercado: plataformas de software enfocadas en los terremotos y las inundaciones que están personalizadas según zonas geográficas específicas para predecir daños hiperlocales. La plataforma de inundaciones de One Concern, lanzada el año pasado, permite que los clientes —que incluyen a gobiernos locales y el sector privado— pronostiquen la profundidad y el flujo de las inundaciones manzana por manzana hasta cinco días antes de una posible inundación. No obstante, “este modelo sin acción no hace nada”, dijo W. Craig Fugate, director del área de gestión de emergencias de One Concern y exadministrador de la Agencia Federal para el Manejo de Emergencias (FEMA) de 2009 a 2017. Por eso, la empresa también se enfoca en ayudar a mitigar la destrucción provocada por ese tipo de inundaciones. Eso implica no solo ver estructuras específicas, sino también todo lo que las apoya. Por ejemplo, un hospital quizá soporte las inundaciones o un terremoto, pero si el sistema de aguas que lo abastece o las carreteras que lo conectan no pueden usarse, el hospital no es funcional. Eso pasó con el huracán Harvey en Texas en 2017, dijo Fugate: los hospitales sobrevivieron la inundación, pero las carreteras quedaron bloqueadas. “Históricamente, siempre hemos analizado el equivalente a los últimos cien años de datos para tomar decisiones sobre qué hacer en adelante”, dijo. “Pero si ocurren sucesos que rompen récords prácticamente todos los meses, ¿cómo comenzamos a proyectar el futuro?”.(TNYT)